CN111274145A - 关系结构图生成方法、装置、计算机设备及存储介质 - Google Patents

关系结构图生成方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111274145A
CN111274145A CN202010066091.4A CN202010066091A CN111274145A CN 111274145 A CN111274145 A CN 111274145A CN 202010066091 A CN202010066091 A CN 202010066091A CN 111274145 A CN111274145 A CN 111274145A
Authority
CN
China
Prior art keywords
information
element image
images
generating
feature vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010066091.4A
Other languages
English (en)
Inventor
陈静静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
OneConnect Smart Technology Co Ltd
OneConnect Financial Technology Co Ltd Shanghai
Original Assignee
OneConnect Financial Technology Co Ltd Shanghai
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by OneConnect Financial Technology Co Ltd Shanghai filed Critical OneConnect Financial Technology Co Ltd Shanghai
Priority to CN202010066091.4A priority Critical patent/CN111274145A/zh
Publication of CN111274145A publication Critical patent/CN111274145A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G06F11/3672—Test management
    • G06F11/3684—Test management for test design, e.g. generating new test cases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G06F11/3672—Test management
    • G06F11/3688—Test management for test execution, e.g. scheduling of test suites
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了关系结构图生成方法、装置、计算机设备及存储介质。方法包括：若接收到需求文档，根据预置的元素切割规则对所述需求文档对应的图片进行切割，以获取所述图片所包含的多个元素图像及所述元素图像之间的关联信息；根据预置的元素分类模型对所述元素图像进行分类，以得到每一所述元素图像的类别信息；根据预置的结构图生成模型、所述关联信息及每一所述元素图像的类别信息生成与所述需求文档对应的关系结构图。本发明基于图像识别技术，通过上述方法，可快速获取与需求文档对应的关系结构图，大幅提升了关系结构图的生成效率。

Description

关系结构图生成方法、装置、计算机设备及存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种关系结构图生成方法、装置、计算机设备及存储介质。
背景技术
企业会针对不同应用场景为待测试软件设计与相应场景对应的测试用例，测试用例以可编辑的关系结构图进行表示，关系结构图均是基于需求文档设计得到的，需求文档一般是包含文字及流程的图片，然而根据需求文档设计与之对应的关系结构图需耗费大量时间，且需求文档经常会根据待测试软件的使用需求进行变更，若关系结构图未对应更新则会导致变更后的需求文档与关系结构图不一致的情况。因此，现有技术方法中的关系结构图存在生成效率较低的问题。
发明内容
本发明实施例提供了一种关系结构图生成方法、装置、计算机设备及存储介质，旨在解决现有技术方法中所存在的关系结构图的生成效率较低的问题。
第一方面，本发明实施例提供了一种关系结构图生成方法，其包括：
若接收到需求文档，根据预置的元素切割规则对所述需求文档对应的图片进行切割，以获取所述图片所包含的多个元素图像及所述元素图像之间的关联信息；
根据预置的元素分类模型对所述元素图像进行分类，以得到每一所述元素图像的类别信息；
根据预置的结构图生成模型、所述关联信息及每一所述元素图像的类别信息生成与所述需求文档对应的关系结构图。
第二方面，本发明实施例提供了一种关系结构图生成装置，其包括：
图片切割单元，用于若接收到需求文档，根据预置的元素切割规则对所述需求文档对应的图片进行切割，以获取所述图片所包含的多个元素图像及所述元素图像之间的关联信息；
元素图像分类单元，用于根据预置的元素分类模型对所述元素图像进行分类，以得到每一所述元素图像的类别信息；
结构图生成单元，用于根据预置的结构图生成模型、所述关联信息及每一所述元素图像的类别信息生成与所述需求文档对应的关系结构图。
第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的关系结构图生成方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的关系结构图生成方法。
本发明实施例提供了一种关系结构图生成方法、装置、计算机设备及存储介质。根据元素切割规则对需求文档对应的图片进行切割，以获取图片所包含的多个元素图像及关联信息，根据元素分类模型对元素图像进行分类以得到每一元素图像的类别信息；根据结构图生成模型、关联信息及元素图像的类别信息生成与需求文档对应的关系结构图。通过上述方法，可快速获取与需求文档对应的关系结构图，大幅提升了关系结构图的生成效率。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的关系结构图生成方法的流程示意图；
图2为本发明实施例提供的关系结构图生成方法的效果示意图；
图3为本发明实施例提供的关系结构图生成方法的另一效果示意图；
图4为本发明实施例提供的关系结构图生成方法的另一流程示意图；
图5为本发明实施例提供的关系结构图生成方法的子流程示意图；
图6为本发明实施例提供的关系结构图生成方法的另一流程示意图；
图7为本发明实施例提供的关系结构图生成装置的示意性框图；
图8为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，图1是本发明实施例提供的关系结构图生成方法的流程示意图。该关系结构图生成方法应用于用户终端中，该方法通过安装于用户终端中的应用软件进行执行，用户终端即是用于执行关系结构图生成方法以生成与需求文档对应关系结构图的终端设备，例如台式电脑、笔记本电脑、平板电脑或手机等。
如图1所示，该方法包括步骤S110～S130。
S110、若接收到需求文档，根据预置的元素切割规则对所述需求文档对应的图片进行切割，以获取所述图片所包含的多个元素图像及所述元素图像之间的关联信息。
若接收到用户所输入的需求文档，根据预置的元素切割规则对所述需求文档对应的图片进行切割，以获取所述图片所包含的多个元素图像及所述元素图像之间的关联信息。需求文档即是用户所输入的待处理文档，需求文档中记载了待测试软件在某测试场景中所需满足的需求信息，根据需求文档即可生成与之对应的测试用例。元素切割规则即是用于对需求文档对应的图片进行切割的规则，需求文档对应的图片中包含多个由线条围成的封闭区域，以及多个对封闭区域之间关系进行连接的箭头，可通过元素切割规则从图片中识别得到由线条围成的封闭区域，并对封闭区域进行切割得到元素图像，一个由线条围成的封闭区域对应一个元素图像，封闭区域之间的箭头则作为相应元素图像之间的关联关系，箭头的指向对应测试过程中节点的执行顺序。具体的，某一需求文档如图2所示。
在一实施例中，步骤S110之前还包括步骤S111和S112。
S111、判断所述需求文档是否为图片。
在对需求文档进行处理之前，可判断需求文档是否为图片，具体的，可通过需求文档的格式信息判断该需求文档是否为图片。
例如，图片的格式包括bmp、jpg、png及tif，若需求文档的格式信息不属于上述图片格式中的一种，则该需求文档不为图片；若需求文档的格式信息输入上述图片格式中的任意一种，则该需求文档为图片。
S112、若所述需求文档不为图片，生成与所述需求文档对应的图片。
若所述需求文档不为图片，生成与所述需求文档对应的图片。若需求文档不为图片，为通过图片处理的方式获取需求文档中的信息，可通过图片采集工具对该需求文档对应显示的内容进行采集，以生成与该需求文档对应的图片，图片采集工具即是用于对用户终端中所显示的内容进行采集的工具，图片采集工具可以是用户终端中的智能截屏工具。
S120、根据预置的元素分类模型对所述元素图像进行分类，以得到每一所述元素图像的类别信息。
根据预置的元素分类模型对所述元素图像进行分类，以得到每一所述元素图像的类别信息。所述元素分类模型包括卷积神经网络、目标分类特征信息及匹配度计算公式，不同元素图像在测试过程中具有不同的执行功能，因此需根据元素分类模型对所得到的多个元素图像进行分类，元素图像的类别与该元素图像的形状、颜色相关联。因此可通过卷积神经网络提取每一元素图像的特征，卷积神经网络即是用于对元素图像的形状、颜色等特征进行提取并通过特征向量进行量化表示的图像处理神经网络，目标分类特征信息中包含多个目标类别以及每一目标类别对应的目标特征向量，匹配度计算公式即可用于计算元素图像与目标分类特征信息中每一目标类别之间的匹配度，根据计算得到的匹配度即可获取每一元素图像对应的类别信息。
在一实施例中，如图4所示，步骤S120包括子步骤S121、S122和S123。
S121、根据所述卷积神经网络获取与所述元素图像对应的特征向量。
在一实施例中，如图5所示，步骤S121包括子步骤S1211和S1212。
S1211、根据所述元素图像所包含像素的数量及每一所述像素在红、绿、蓝三个颜色通道上对应的亮度值，得到三个与元素图像分辨率相同的拆分图像。
S1212、将三个所述拆分图像同时输入所述卷积神经网络，获取所述卷积神经网络的输出结果作为所述元素图像的特征向量。
具体的，根据RGB对应的红(R)、绿(G)、蓝(B)三个颜色通道对元素图像中所包含的像素进行拆分，以得到元素图像中每一像素在上述三个颜色通道上分别对应的亮度值，将一个像素在三个颜色通道上对应的亮度值进行叠加即可对该像素的颜色进行还原，根据元素图像所包含像素的数量及每一像素在三个颜色通道上对应的亮度值，得到三个与元素图像分辨率相同的拆分图像，将三个拆分图像同时输入卷积神经网络，获取卷积神经网络的输出结果，即可得到该元素图像对应的特征向量。
例如，元素图像的分辨率为74×50，根据RGB对元素图像进行拆分得到三个74×50的拆分图像，拆分图像中每一像素的数值即为该像素在相应颜色通道上对应的亮度值，根据第一卷积核中的计算公式，以分辨率9*9作为窗口，步长为1，进行卷积操作，以得到三个大小为66×42的向量矩阵，也即是拆分图像的浅层特征；根据池化计算公式，以分辨率6×6作为窗口，步长为6，进行降采样，以得到三个大小为11×7的向量矩阵，也即是拆分图片的深层次特征；根据3个第二卷积核中的计算公式，以分辨率3×3作为窗口，步长为2的进行卷积操作，以得到9个大小为5×3的向量矩阵。通过第一全连接计算公式，对所得到的9个5×3的向量矩阵进行计算，第一全连接公式中共包含9个输入节点，每一个输入节点均与1个5×3的向量矩阵相关联，也即是分别通过9个计算公式计算得到与9个5×3的向量矩阵相关联的9个输入节点的值，第一个计算公式可表示为C1＝w1×X1+b1，其中，C1为第一个输入节点的计算值，X1为该图片对应的第一个向量矩阵中的一个数值，w1和b1为第一输入节点与第一个向量矩阵相关联的第一计算公式中所预设的参数值，通过9个计算公式即可计算与对应向量矩阵向关联的9个输入节点的值；通过第二全连接计算公式对9节点的值进行计算以得到最终该证件图片的特征向量，计算公式为S1＝a1×C1+a2×C2+……+a9×C9；其中C1、C2……C9为与拆分图片的向量矩阵相关联的9个节点的值，a1、a2……a9为9个节点至最后输出节点的预设参数值，由于5×3的向量矩阵共包含15个数值，最后得到该图片的特征向量为一个1×15维的向量矩阵，可以采用Sx＝(s1，s2……s15)来表示。
在使用卷积神经网络之前，还可通过预置的训练规则对卷积神经网络进行训练，以对卷积神经网络中的参数值进行调整，得到训练后的卷积神经网络可提升获取特征向量的准确性。
S122、根据所述匹配度计算公式计算所述特征向量与所述目标分类特征信息中每一目标类型之间的匹配度。
根据所述匹配度计算公式计算所述特征向量与所述目标分类特征信息中每一目标类型之间的匹配度。目标分类特征信息中包含多个目标类别以及每一目标类别对应的目标特征向量，目标特征向量与元素图像的特征向量维度相同，可根据匹配度计算公式计算元素图像的特征向量与一个目标类别对应特征向量之间的匹配度，得到该元素图像与该目标类别对应的匹配度。
具体的，匹配度可通过匹配度计算公式P＝1-((s1-v1)2+(s2-v2)2+…+(sn-vn)2)/(v1 2+v2 2+…+vn 2)计算得到。
例如，通过上述卷积神经网络所得的图片的特征向量均为一个1×15维的向量矩阵，则对应的n＝15，计算匹配度的具体公式为：P＝1-((s1-v1)2+(s2-v2)2+…+(s15-v15)2)/(v1 2+v2 2+…+v15 2)，其中，Sx＝(s1，s2……s15)表示某一元素图像的特征向量，Vy＝(v1，v2……v15)表示某一目标特征向量。
S123、根据所述特征向量与每一所述目标类型之间的匹配度确定匹配度最高的一个目标类型作为所述元素图像的类型，从而得到每一所述元素图像的类别信息。
根据所述特征向量与每一所述目标类型之间的匹配度确定匹配度最高的一个目标类型作为所述元素图像的类型，从而得到每一所述元素图像的类别信息。获取特征向量与每一目标类型的目标特征向量之间的匹配度后，即可将匹配度最高的一个目标类型确定为该特征向量的分类信息。
S130、根据预置的结构图生成模型、所述关联信息及每一所述元素图像的类别信息生成与所述需求文档对应的关系结构图。
根据预置的结构图生成模型、所述关联信息及每一所述元素图像的类别信息生成与所述需求文档对应的关系结构图。所述结构图生成模型包括节点生成规则及字符匹配模板。结构图生成模型即可用于生成与需求文档对应的关系结构图，关系结构图可以是树形结构图或xmind结构图，所生成的关系结构图可方便地进行修改、编辑等操作。关系结构图中包含多个节点以及节点之间的连接关系，节点生成规则即可根据需求文档所包含的元素图像生成对应的节点，根据字符匹配模板即可获取每一元素图像对应的文字信息，并将文字信息添加至相应节点上，得到包含完整信息的关系结构图。
在一实施例中，如图6所示，步骤S130包括子步骤S131、S132、S133和S134。
S131、根据所述节点生成规则及每一所述元素图像的类别信息生成与每一所述元素图像对应的节点。
根据所述节点生成规则及每一所述元素图像的类别信息生成与每一所述元素图像对应的节点。节点生成规则中包含每一种目标类型对应的节点模板，元素图像的类别信息即为具体的一个目标类型，可根据节点生成规则生成与每一元素图像的类别信息对应的节点。
例如，若元素图像的类别信息为“开始”(对应图片中椭圆形的元素图像)，则对应生成开始节点；若元素图像的类别信息为“处理”(对应图片中长方形的元素图像)，则对应生成处理节点；若元素图像的类别信息为“判断分支”(对应图片中菱形的元素图像)，则对应生成判断分支节点。
S132、根据所述关联信息对每一所述元素图像对应的节点进行排列组合以得到关联节点图。
根据所述关联信息对每一所述元素图像对应的节点进行排列组合以得到关联节点图。在生成零散的节点后，需对节点的执行顺序进行整理，具体的，可根据元素图像之间的关联信息对每一元素图像对应的节点进行排列组合，也即是明确相邻节点之间的执行顺序。箭头从一个元素图像指向另一个元素图像，则箭头头部所指向的元素图像为前一元素图像的一个分支，将箭头头部所指向的元素图像对应的节点作为前一元素图像对应节点的分支节点，以对上述两个元素图像对应的节点进行排列组合，基于上述规则对所有元素图像进行排列组合后即可得到关联节点图。
S133、根据所述字符匹配模板从每一所述元素图像中匹配获取对应的字符以得到文字信息。
根据所述字符匹配模板从每一所述元素图像中匹配获取对应的字符以得到文字信息。字符匹配模板中包含所有字符对应的图像模板，通过字符匹配模板中所包含的图像模板与元素图像中所包含的字符图像进行匹配，即可从元素图像获取与相应图像模板相匹配的字符，将某一元素图像匹配得到的字符作为该元素图像的文字信息。
S134、将所述文字信息填充至所述关联节点图中与每一所述元素图像对应的节点以得到关系结构图。
将所述文字信息填充至所述关联节点图中与每一所述元素图像对应的节点以得到关系结构图。为确保每一元素图像对应的信息不丢失，可将文字信息填充至关联节点图中与每一元素图像对应的节点，得到包含需求文档中完整信息的关系结构图。所生成的关系结构图如图3所示。
在一实施例中，步骤S130之后还包括步骤S140和S150。
S140、根据预设判断周期对所述需求文档是否更新进行判断。
根据预设判断周期对所述需求文档是否更新进行判断。具体的，获取需求文档的修改时间，每间隔一个预设判断周期对需求文档的修改时间进行一次判断，判断修改时间是否位于本次判断与上次判断之间，若修改时间位于本次判断与上次判断之间，则判断得到需求文档更新；若修改时间不位于本次判断与上次判断之间，则判断得到需求文档未更新。
S150、若所述需求文档更新，根据已更新的所述需求文档生成新的关系结构图以替换所述关系结构图。
若所述需求文档更新，根据已更新的所述需求文档生成新的关系结构图以替换所述关系结构图。为确保关系结构图及时更新，以使关系结构图与更新后的需求文档保持一致，可根据预设判断周期对需求文档进行判断，若需求文档更新，则根据上述方法及时生成与更新后的需求文档对应的关系结构图，具体生成方法与上述方法相同，在此不作赘述。
在本发明实施例所提供的关系结构图生成方法中，根据元素切割规则对需求文档对应的图片进行切割，以获取图片所包含的多个元素图像及关联信息，根据元素分类模型对元素图像进行分类以得到每一元素图像的类别信息；根据结构图生成模型、关联信息及元素图像的类别信息生成与需求文档对应的关系结构图。通过上述方法，可快速获取与需求文档对应的关系结构图，大幅提升了关系结构图的生成效率。
本发明实施例还提供一种关系结构图生成装置，该关系结构图生成装置用于执行前述关系结构图生成方法的任一实施例。具体地，请参阅图7，图7是本发明实施例提供的关系结构图生成装置的示意性框图。该关系结构图生成装置可以配置于用户终端中。
如图7所示，关系结构图生成装置100包括图片切割单元110、元素图像分类单元120和结构图生成单元130。
图片切割单元110，用于若接收到需求文档，根据预置的元素切割规则对所述需求文档对应的图片进行切割，以获取所述图片所包含的多个元素图像及所述元素图像之间的关联信息。
若接收到用户所输入的需求文档，根据预置的元素切割规则对所述需求文档对应的图片进行切割，以获取所述图片所包含的多个元素图像及所述元素图像之间的关联信息。需求文档即是用户所输入的待处理文档，需求文档中记载了待测试软件在某测试场景中所需满足的需求信息，根据需求文档即可生成与之对应的测试用例。元素切割规则即是用于对需求文档对应的图片进行切割的规则，需求文档对应的图片中包含多个由线条围成的封闭区域，以及多个对封闭区域之间关系进行连接的箭头，可通过元素切割规则从图片中识别得到由线条围成的封闭区域，并对封闭区域进行切割得到元素图像，一个由线条围成的封闭区域对应一个元素图像，封闭区域之间的箭头则作为相应元素图像之间的关联关系，箭头的指向对应测试过程中节点的执行顺序。
其他发明实施例中，所述关系结构图生成装置100还包括子单元：需求文档判断单元111和图片生成单元112。
需求文档判断单元111，用于判断所述需求文档是否为图片。
在对需求文档进行处理之前，可判断需求文档是否为图片，具体的，可通过需求文档的格式信息判断该需求文档是否为图片。
图片生成单元112，用于若所述需求文档不为图片，生成与所述需求文档对应的图片。
若所述需求文档不为图片，生成与所述需求文档对应的图片。若需求文档不为图片，为通过图片处理的方式获取需求文档中的信息，可通过图片采集工具对该需求文档对应显示的内容进行采集，以生成与该需求文档对应的图片，图片采集工具即是用于对用户终端中所显示的内容进行采集的工具，图片采集工具可以是用户终端中的智能截屏工具。
元素图像分类单元120，用于根据预置的元素分类模型对所述元素图像进行分类，以得到每一所述元素图像的类别信息。
根据预置的元素分类模型对所述元素图像进行分类，以得到每一所述元素图像的类别信息。所述元素分类模型包括卷积神经网络、目标分类特征信息及匹配度计算公式，不同元素图像在测试过程中具有不同的执行功能，因此需根据元素分类模型对所得到的多个元素图像进行分类，元素图像的类别与该元素图像的形状、颜色相关联。因此可通过卷积神经网络提取每一元素图像的特征，卷积神经网络即是用于对元素图像的形状、颜色等特征进行提取并通过特征向量进行量化表示的图像处理神经网络，目标分类特征信息中包含多个目标类别以及每一目标类别对应的目标特征向量，匹配度计算公式即可用于计算元素图像与目标分类特征信息中每一目标类别之间的匹配度，根据计算得到的匹配度即可获取每一元素图像对应的类别信息。
其他发明实施例中，所述元素图像分类单元120包括子单元：特征向量获取单元121、匹配度计算单元122和分类信息获取单元123。
特征向量获取单元121，用于根据所述卷积神经网络获取与所述元素图像对应的特征向量。
其他发明实施例中，所述特征向量获取单元121包括子单元：元素图像拆分单元1211和结果获取单元1212。
元素图像拆分单元1211，用于根据所述元素图像所包含像素的数量及每一所述像素在红、绿、蓝三个颜色通道上对应的亮度值，得到三个与元素图像分辨率相同的拆分图像。
结果获取单元1212，用于将三个所述拆分图像同时输入所述卷积神经网络，获取所述卷积神经网络的输出结果作为所述元素图像的特征向量。
具体的，根据RGB对应的红(R)、绿(G)、蓝(B)三个颜色通道对元素图像中所包含的像素进行拆分，以得到元素图像中每一像素在上述三个颜色通道上分别对应的亮度值，将一个像素在三个颜色通道上对应的亮度值进行叠加即可对该像素的颜色进行还原，根据元素图像所包含像素的数量及每一像素在三个颜色通道上对应的亮度值，得到三个与元素图像分辨率相同的拆分图像，将三个拆分图像同时输入卷积神经网络，获取卷积神经网络的输出结果，即可得到该元素图像对应的特征向量。
在使用卷积神经网络之前，还可通过预置的训练规则对卷积神经网络进行训练，以对卷积神经网络中的参数值进行调整，得到训练后的卷积神经网络可提升获取特征向量的准确性。
匹配度计算单元122，用于根据所述匹配度计算公式计算所述特征向量与所述目标分类特征信息中每一目标类型之间的匹配度。
根据所述匹配度计算公式计算所述特征向量与所述目标分类特征信息中每一目标类型之间的匹配度。目标分类特征信息中包含多个目标类别以及每一目标类别对应的目标特征向量，目标特征向量与元素图像的特征向量维度相同，可根据匹配度计算公式计算元素图像的特征向量与一个目标类别对应特征向量之间的匹配度，得到该元素图像与该目标类别对应的匹配度。
具体的，匹配度可通过匹配度计算公式P＝1-((s1-v1)2+(s2-v2)2+…+(sn-vn)2)/(v1 2+v2 2+…+vn 2)计算得到。
分类信息获取单元123，用于根据所述特征向量与每一所述目标类型之间的匹配度确定匹配度最高的一个目标类型作为所述元素图像的类型，从而得到每一所述元素图像的类别信息。
根据所述特征向量与每一所述目标类型之间的匹配度确定匹配度最高的一个目标类型作为所述元素图像的类型，从而得到每一所述元素图像的类别信息。获取特征向量与每一目标类型的目标特征向量之间的匹配度后，即可将匹配度最高的一个目标类型确定为该特征向量的分类信息。
结构图生成单元130，用于根据预置的结构图生成模型、所述关联信息及每一所述元素图像的类别信息生成与所述需求文档对应的关系结构图。
根据预置的结构图生成模型、所述关联信息及每一所述元素图像的类别信息生成与所述需求文档对应的关系结构图。所述结构图生成模型包括节点生成规则及字符匹配模板。结构图生成模型即可用于生成与需求文档对应的关系结构图，关系结构图可以是树形结构图或xmind结构图，所生成的关系结构图可方便地进行修改、编辑等操作。关系结构图中包含多个节点以及节点之间的连接关系，节点生成规则即可根据需求文档所包含的元素图像生成对应的节点，根据字符匹配模板即可获取每一元素图像对应的文字信息，并将文字信息添加至相应节点上，得到包含完整信息的关系结构图。
其他发明实施例中，所述结构图生成单元130包括子单元：节点生成单元131、关联节点图获取单元132、文字信息获取单元133和文字信息填充单元134。
节点生成单元131，用于根据所述节点生成规则及每一所述元素图像的类别信息生成与每一所述元素图像对应的节点。
根据所述节点生成规则及每一所述元素图像的类别信息生成与每一所述元素图像对应的节点。节点生成规则中包含每一种目标类型对应的节点模板，元素图像的类别信息即为具体的一个目标类型，可根据节点生成规则生成与每一元素图像的类别信息对应的节点。
关联节点图获取单元132，用于根据所述关联信息对每一所述元素图像对应的节点进行排列组合以得到关联节点图。
根据所述关联信息对每一所述元素图像对应的节点进行排列组合以得到关联节点图。在生成零散的节点后，需对节点的执行顺序进行整理，具体的，可根据元素图像之间的关联信息对每一元素图像对应的节点进行排列组合，也即是明确相邻节点之间的执行顺序。箭头从一个元素图像指向另一个元素图像，则箭头头部所指向的元素图像为前一元素图像的一个分支，将箭头头部所指向的元素图像对应的节点作为前一元素图像对应节点的分支节点，以对上述两个元素图像对应的节点进行排列组合，基于上述规则对所有元素图像进行排列组合后即可得到关联节点图。
文字信息获取单元133，用于根据所述字符匹配模板从每一所述元素图像中匹配获取对应的字符以得到文字信息。
根据所述字符匹配模板从每一所述元素图像中匹配获取对应的字符以得到文字信息。字符匹配模板中包含所有字符对应的图像模板，通过字符匹配模板中所包含的图像模板与元素图像中所包含的字符图像进行匹配，即可从元素图像获取与相应图像模板相匹配的字符，将某一元素图像匹配得到的字符作为该元素图像的文字信息。
文字信息填充单元134，用于将所述文字信息填充至所述关联节点图中与每一所述元素图像对应的节点以得到关系结构图。
将所述文字信息填充至所述关联节点图中与每一所述元素图像对应的节点以得到关系结构图。为确保每一元素图像对应的信息不丢失，可将文字信息填充至关联节点图中与每一元素图像对应的节点，得到包含需求文档中完整信息的关系结构图。
其他发明实施例中，所述关系结构图生成装置100还包括子单元：更新判断单元140和关系结构图更新单元150。
更新判断单元140，用于根据预设判断周期对所述需求文档是否更新进行判断。
根据预设判断周期对所述需求文档是否更新进行判断。具体的，获取需求文档的修改时间，每间隔一个预设判断周期对需求文档的修改时间进行一次判断，判断修改时间是否位于本次判断与上次判断之间，若修改时间位于本次判断与上次判断之间，则判断得到需求文档更新；若修改时间不位于本次判断与上次判断之间，则判断得到需求文档未更新。
关系结构图更新单元150，用于若所述需求文档更新，根据已更新的所述需求文档生成新的关系结构图以替换所述关系结构图。
若所述需求文档更新，根据已更新的所述需求文档生成新的关系结构图以替换所述关系结构图。为确保关系结构图及时更新，以使关系结构图与更新后的需求文档保持一致，可根据预设判断周期对需求文档进行判断，若需求文档更新，则根据上述方法及时生成与更新后的需求文档对应的关系结构图，具体生成方法与上述方法相同，在此不作赘述。
在本发明实施例所提供的关系结构图生成装置用于执行上述关系结构图生成方法，根据元素切割规则对需求文档对应的图片进行切割，以获取图片所包含的多个元素图像及关联信息，根据元素分类模型对元素图像进行分类以得到每一元素图像的类别信息；根据结构图生成模型、关联信息及元素图像的类别信息生成与需求文档对应的关系结构图。通过上述方法，可快速获取与需求文档对应的关系结构图，大幅提升了关系结构图的生成效率。
上述关系结构图生成装置可以实现为计算机程序的形式，该计算机程序可以在如图8所示的计算机设备上运行。
请参阅图8，图8是本发明实施例提供的计算机设备的示意性框图。
参阅图8，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行关系结构图生成方法。
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行关系结构图生成方法。
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图8中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下功能：若接收到需求文档，根据预置的元素切割规则对所述需求文档对应的图片进行切割，以获取所述图片所包含的多个元素图像及所述元素图像之间的关联信息；根据预置的元素分类模型对所述元素图像进行分类，以得到每一所述元素图像的类别信息；根据预置的结构图生成模型、所述关联信息及每一所述元素图像的类别信息生成与所述需求文档对应的关系结构图。
在一实施例中，处理器502在执行根据预置的元素分类模型对所述元素图像进行分类，以得到每一所述元素图像的类别信息的步骤时，执行如下操作：根据所述卷积神经网络获取与所述元素图像对应的特征向量；根据所述匹配度计算公式计算所述特征向量与所述目标分类特征信息中每一目标类型之间的匹配度；根据所述特征向量与每一所述目标类型之间的匹配度确定匹配度最高的一个目标类型作为所述元素图像的类型，从而得到每一所述元素图像的类别信息。
在一实施例中，处理器502在执行根据所述卷积神经网络获取与所述元素图像对应的特征向量的步骤时，执行如下操作：根据所述元素图像所包含像素的数量及每一所述像素在红、绿、蓝三个颜色通道上对应的亮度值，得到三个与元素图像分辨率相同的拆分图像；将三个所述拆分图像同时输入所述卷积神经网络，获取所述卷积神经网络的输出结果作为所述元素图像的特征向量。
在一实施例中，处理器502在执行根据预置的结构图生成模型、所述关联信息及每一所述元素图像的类别信息生成与所述需求文档对应的关系结构图的步骤时，执行如下操作：根据所述节点生成规则及每一所述元素图像的类别信息生成与每一所述元素图像对应的节点；根据所述关联信息对每一所述元素图像对应的节点进行排列组合以得到关联节点图；根据所述字符匹配模板从每一所述元素图像中匹配获取对应的字符以得到文字信息；将所述文字信息填充至所述关联节点图中与每一所述元素图像对应的节点以得到关系结构图。
在一实施例中，处理器502还执行如下操作：所述匹配度计算公式为P＝1-((s1-v1)2+(s2-v2)2+…+(sn-vn)2)/(v1 2+v2 2+…+vn 2)，其中，P为匹配度，Sx＝(s1，s2……sn)为所述特征向量，Vy＝(v1，v2……vn)为所述目标分类特征信息中所包含的目标特征向量。
本领域技术人员可以理解，图8中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图8所示实施例一致，在此不再赘述。
应当理解，在本发明实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现以下步骤：若接收到需求文档，根据预置的元素切割规则对所述需求文档对应的图片进行切割，以获取所述图片所包含的多个元素图像及所述元素图像之间的关联信息；根据预置的元素分类模型对所述元素图像进行分类，以得到每一所述元素图像的类别信息；根据预置的结构图生成模型、所述关联信息及每一所述元素图像的类别信息生成与所述需求文档对应的关系结构图。
在一实施例中，所述根据预置的元素分类模型对所述元素图像进行分类，以得到每一所述元素图像的类别信息的步骤，包括：根据所述卷积神经网络获取与所述元素图像对应的特征向量；根据所述匹配度计算公式计算所述特征向量与所述目标分类特征信息中每一目标类型之间的匹配度；根据所述特征向量与每一所述目标类型之间的匹配度确定匹配度最高的一个目标类型作为所述元素图像的类型，从而得到每一所述元素图像的类别信息。
在一实施例中，所述根据所述卷积神经网络获取与所述元素图像对应的特征向量的步骤，包括：根据所述元素图像所包含像素的数量及每一所述像素在红、绿、蓝三个颜色通道上对应的亮度值，得到三个与元素图像分辨率相同的拆分图像；将三个所述拆分图像同时输入所述卷积神经网络，获取所述卷积神经网络的输出结果作为所述元素图像的特征向量。
在一实施例中，所述根据预置的结构图生成模型、所述关联信息及每一所述元素图像的类别信息生成与所述需求文档对应的关系结构图的步骤，包括：根据所述节点生成规则及每一所述元素图像的类别信息生成与每一所述元素图像对应的节点；根据所述关联信息对每一所述元素图像对应的节点进行排列组合以得到关联节点图；根据所述字符匹配模板从每一所述元素图像中匹配获取对应的字符以得到文字信息；将所述文字信息填充至所述关联节点图中与每一所述元素图像对应的节点以得到关系结构图。
在一实施例中，所述匹配度计算公式为P＝1-((s1-v1)2+(s2-v2)2+…+(sn-vn)2)/(v1 2+v2 2+…+vn 2)，其中，P为匹配度，Sx＝(s1，s2……sn)为所述特征向量，Vy＝(v1，v2……vn)为所述目标分类特征信息中所包含的目标特征向量。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个计算机可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
而前述的存储介质为实体的、非瞬时性的存储介质，例如可以是U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、磁碟或者光盘等各种可以存储程序代码的实体存储介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种关系结构图生成方法，应用于用户终端，其特征在于，包括：
若接收到需求文档，根据预置的元素切割规则对所述需求文档对应的图片进行切割，以获取所述图片所包含的多个元素图像及所述元素图像之间的关联信息；
根据预置的元素分类模型对所述元素图像进行分类，以得到每一所述元素图像的类别信息；
根据预置的结构图生成模型、所述关联信息及每一所述元素图像的类别信息生成与所述需求文档对应的关系结构图。
2.根据权利要求1所述的关系结构图生成方法，其特征在于，所述元素分类模型包括卷积神经网络、目标分类特征信息及匹配度计算公式，所述根据预置的元素分类模型对所述元素图像进行分类，以得到每一所述元素图像的类别信息，包括：
根据所述卷积神经网络获取与所述元素图像对应的特征向量；
根据所述匹配度计算公式计算所述特征向量与所述目标分类特征信息中每一目标类型之间的匹配度；
根据所述特征向量与每一所述目标类型之间的匹配度确定匹配度最高的一个目标类型作为所述元素图像的类型，从而得到每一所述元素图像的类别信息。
3.根据权利要求2所述的关系结构图生成方法，其特征在于，所述根据所述卷积神经网络获取与所述元素图像对应的特征向量，包括：
根据所述元素图像所包含像素的数量及每一所述像素在红、绿、蓝三个颜色通道上对应的亮度值，得到三个与元素图像分辨率相同的拆分图像；
将三个所述拆分图像同时输入所述卷积神经网络，获取所述卷积神经网络的输出结果作为所述元素图像的特征向量。
4.根据权利要求1所述的关系结构图生成方法，其特征在于，所述结构图生成模型包括节点生成规则及字符匹配模板，所述根据预置的结构图生成模型、所述关联信息及每一所述元素图像的类别信息生成与所述需求文档对应的关系结构图，包括：
根据所述节点生成规则及每一所述元素图像的类别信息生成与每一所述元素图像对应的节点；
根据所述关联信息对每一所述元素图像对应的节点进行排列组合以得到关联节点图；
根据所述字符匹配模板从每一所述元素图像中匹配获取对应的字符以得到文字信息；
将所述文字信息填充至所述关联节点图中与每一所述元素图像对应的节点以得到关系结构图。
5.根据权利要求2所述的关系结构图生成方法，其特征在于，所述匹配度计算公式为P＝1-((s1-v1)2+(s2-v2)2+…+(sn-vn)2)/(v1 2+v2 2+…+vn 2)，其中，P为匹配度，Sx＝(s1，s2……sn)为所述特征向量，Vy＝(v1，v2……vn)为所述目标分类特征信息中所包含的目标特征向量。
6.一种关系结构图生成装置，其特征在于，包括：
图片切割单元，用于若接收到需求文档，根据预置的元素切割规则对所述需求文档对应的图片进行切割，以获取所述图片所包含的多个元素图像及所述元素图像之间的关联信息；
元素图像分类单元，用于根据预置的元素分类模型对所述元素图像进行分类，以得到每一所述元素图像的类别信息；
结构图生成单元，用于根据预置的结构图生成模型、所述关联信息及每一所述元素图像的类别信息生成与所述需求文档对应的关系结构图。
7.根据权利要求6所述的关系结构图生成装置，其特征在于，所述元素图像分类单元，包括：
特征向量获取单元，用于根据所述卷积神经网络获取与所述元素图像对应的特征向量；
匹配度计算单元，用于根据所述匹配度计算公式计算所述特征向量与所述目标分类特征信息中每一目标类型之间的匹配度；
分类信息获取单元，用于根据所述特征向量与每一所述目标类型之间的匹配度确定匹配度最高的一个目标类型作为所述元素图像的类型，从而得到每一所述元素图像的类别信息。
8.根据权利要求7所述的关系结构图生成装置，其特征在于，所述特征向量获取单元，包括：
元素图像拆分单元，用于根据所述元素图像所包含像素的数量及每一所述像素在红、绿、蓝三个颜色通道上对应的亮度值，得到三个与元素图像分辨率相同的拆分图像；
结果获取单元，用于将三个所述拆分图像同时输入所述卷积神经网络，获取所述卷积神经网络的输出结果作为所述元素图像的特征向量。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的关系结构图生成方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至5任一项所述的关系结构图生成方法。
CN202010066091.4A 2020-01-20 2020-01-20 关系结构图生成方法、装置、计算机设备及存储介质 Pending CN111274145A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010066091.4A CN111274145A (zh) 2020-01-20 2020-01-20 关系结构图生成方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010066091.4A CN111274145A (zh) 2020-01-20 2020-01-20 关系结构图生成方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN111274145A true CN111274145A (zh) 2020-06-12

Family

ID=71003267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010066091.4A Pending CN111274145A (zh) 2020-01-20 2020-01-20 关系结构图生成方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111274145A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112487160A (zh) * 2020-11-25 2021-03-12 北京智源人工智能研究院 技术文档溯源方法及装置、计算机设备、计算机存储介质
CN116382615A (zh) * 2023-03-17 2023-07-04 深圳市同行者科技有限公司 语音操作app应用的方法、系统及相关设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112487160A (zh) * 2020-11-25 2021-03-12 北京智源人工智能研究院 技术文档溯源方法及装置、计算机设备、计算机存储介质
CN116382615A (zh) * 2023-03-17 2023-07-04 深圳市同行者科技有限公司 语音操作app应用的方法、系统及相关设备

Similar Documents

Publication Publication Date Title
US9552656B2 (en) Image-based color palette generation
US9741137B2 (en) Image-based color palette generation
US9396560B2 (en) Image-based color palette generation
CN109711345B (zh) 一种火焰图像识别方法、装置及其存储介质
WO2022022154A1 (zh) 脸部图像处理方法、装置、设备及存储介质
CN107679466B (zh) 信息输出方法和装置
CN107204034B (zh) 一种图像处理方法及终端
US20080069444A1 (en) Image mask generation
CN110728722B (zh) 图像颜色迁移方法、装置、计算机设备和存储介质
CN110969143A (zh) 基于图像识别的取证方法、系统、计算机设备及存储介质
US20210248729A1 (en) Superpixel merging
CN110599554A (zh) 人脸肤色的识别方法和装置、存储介质及电子装置
CN111274145A (zh) 关系结构图生成方法、装置、计算机设备及存储介质
JP7463186B2 (ja) 情報処理装置、情報処理方法及びプログラム
CN112233077A (zh) 图像分析方法、装置、设备及存储介质
CN113724282A (zh) 图像处理方法和相关产品
CN109615620B (zh) 图像压缩度识别方法、装置、设备及计算机可读存储介质
CN110942488B (zh) 图像处理装置、图像处理系统、图像处理方法及记录介质
CN115731442A (zh) 图像处理方法、装置、计算机设备和存储介质
US11200708B1 (en) Real-time color vector preview generation
CN113240765A (zh) 一种颜色搭配的方法、装置、计算机设备和存储介质
CN113191376A (zh) 图像处理方法、装置、电子设备和可读存储介质
CN109712216B (zh) 图表渲染方法、装置、可读存储介质及电子设备
CN112748829B (zh) 图片编辑方法、装置、设备以及存储介质
JP2014067129A (ja) スケール毎の特徴量と色分布との関係を考慮した色変換処理プログラム、装置及び方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination